Lea el informe The Forrester Wave: Multimodal Predictive Analytics and Machine Learning, tercer trimestre de 2020

¿Por qué utilizar deep learning en una plataforma de datos e inteligencia artificial?

Con los avances en la computación, los algoritmos y el acceso a los datos, las empresas están adoptando más ampliamente el deep learning para extraer y escalar insights a través del reconocimiento de voz, el procesamiento de lenguaje natural y la clasificación de imágenes. Las funciones de deep learning pueden interpretar texto, imágenes, audio y video a escala, generando patrones para motores de recomendación, análisis de opiniones, modelado de riesgo financiero y detección de anomalías.  
Ha sido necesaria una gran potencia computacional para procesar las redes neuronales artificiales, debido al número de capas y a los volúmenes de datos para entrenar a dichas redes. Además, las empresas no están teniendo buenos resultados con sus experimentos de deep learning implementados en silos. IBM Watson® Machine Learning Accelerator, una función con capacidades de deep learning dentro de IBM Watson Studio on IBM Cloud Pak® para datos, ayuda a las empresas a:

-   Escalar la computación, las personas y las aplicaciones de forma dinámica en cualquier nube.
-   Gestionar y unificar grandes conjuntos de datos y modelos con transparencia y visibilidad.
-   Adaptar los modelos de forma continua con datos en tiempo real de computación de borde a nubes híbridas.
-   Optimizar las inversiones en la nube y la inteligencia artificial con un entrenamiento e inferencia más rápidos.

Consulte la infografía (PDF, 574 KB)

Beneficios

Obtenga resultados de deep learning más rápido

Cree sus propios modelos más rápido, ya sea un prototipo inicial o una iniciativa a nivel de empresa. Entrene e implemente cargas de trabajo de deep learning con más rapidez y precisión.

Escale pronósticos e insights impulsados por inteligencia artificial

Aproveche una arquitectura de información con datos integrados y servicios de inteligencia artificial. Impulse modelos de deep learning para aplicaciones basadas en nubes híbridas contenerizadas.

Simplifique la inteligencia artificial y las inversiones en sistemas de la nube

Unifique la implementación de datos y modelos en cualquier lugar. Comparta y optimice las asignaciones de CPU y CPU, ajustadas a sus demandas de carga de trabajo.

Amplíe el uso y aumente la precisión de los modelos

Acelere el procesamiento de imágenes grandes de alta resolución. Mejore el rendimiento, la latencia y la disponibilidad con escalamiento automático.

Mejore la resiliencia y aumente el uso del sistema

Promueva el uso entre unidades y empresas con una arquitectura de varios inquilinos. Maximice el uso de recursos de GPU a través de funciones de entrenamiento e inferencia elásticas y distribuidas.

Gestione y proteja cargas de trabajo de inteligencia artificial críticas

Incremente el nivel de transparencia y la visibilidad desde el proceso de preparación de datos hasta la implementación de modelos. También puede reducir los riesgos de conformidad, seguridad, reputación y legales.

Casos de uso

  • Clasificación de imágenes para diagnóstico de enfermedades, seguridad pública y redes sociales
  • Reconocimiento de voz a texto para la gestión de centros de contacto telefónico, aplicaciones móviles y transcripciones automatizadas
  • Reconocimiento óptico de caracteres (OCR) para detección de anomalías y fraudes, validación automatizada de documentos y ciberseguridad
  • Modelado de riesgo financiero para cumplimiento normativo, evaluación de crédito y gestión de carteras
  • Procesamiento de lenguaje natural para las actividades de análisis de opiniones y tonos, y supervisión de marcas
  • Motor de recomendaciones para predecir comportamientos, lanzar ofertas personalizadas y los mejores pasos a seguir
  • Análisis de video para seguridad pública, prevención de robos, seguridad de los trabajadores y gestión de inventarios

Utilice el machine learning y la inteligencia artificial para analizar sus datos

Características principales

  • Creación de prototipos e implementación rápidos
  • Arquitectura de información de punta a punta
  • Gestión de infraestructuras en contenedores
  • Soporte para grandes modelos de alta resolución
  • Implementación para varios inquilinos
  • Entrenamiento e inferencias elásticos y distribuidos
  • Escalamiento y búsqueda automáticos, y equilibrio de carga
  • Gestión del ciclo de vida de la inteligencia artificial
  • Inteligencia artificial explicable con supervisión de modelos